Рынок заведений общественного питания Москвы

Описание: Инвесторы из фонда «Shut Up and Take My Money» решили попробовать себя в новой области и открыть заведение общественного питания в Москве.

Подготовить исследование рынка Москвы, найти интересные особенности и презентовать полученные результаты, которые в будущем помогут в выборе подходящего инвесторам места.

Цель исследования

• Подготовить презентацию по исследованию рынка общепита

Входные данный

• moscow_places.csv - датасет с заведениями общественного питания Москвы, составленный на основе данных сервисов Яндекс Карты и Яндекс Бизнес на лето 2022 года

Описание данных

• name — название заведения;
• address — адрес заведения;
• category — категория заведения;
• hours — информация о днях и часах работы;
• lat — широта географической точки;
• lng — долгота географической точки;
• rating — рейтинг заведения по оценкам пользователей;
• price — категория цен в заведении;
• avg_bill — строка хранит среднюю стоимость заказа;
• middle_avg_bill — число с оценкой среднего чека;
• middle_coffee_cup — число с оценкой одной чашки капучино;
• chain — является ли заведение сетевым (0, 1);
• district — административный район;
• seats — количество посадочных мест.

Ход исследования

1. Обзор данных.
2. Предобработка данных
3. Анализ данных
4. Детализируем исследование: открытие кофейни
5. Подготовка презентации
6. Выводы

Обзор данных.

Загружаем данные и подготовим их к анализу.

Путь к файлу

/datasets/moscow_places.csv

Импорт библиотек и загрузка данных

pandas - библиотека для загрузки и обработки данных

matplotlib.pyplot - библиотека для работы с графиками

datetime - библиотека для работой с датой

seaborn - библиотека для создания статистических графиков

numpy - библиотека высокоуровневых математических функций

scipy.stats - библиотека для работы со статистический анализом данных

re - модуль для регулярных выражений

os - библиотека функций для работы с операционной системой

plotly - библиотека визуализации данных (для воронкообразных диаграмм)

json - модуль для работы с JSON-форматом

folium - модуль для работы c картой

import pandas as pd
import numpy as np
import datetime as dt
import seaborn as sns
import scipy.stats as stats
import matplotlib.pyplot as plt
import re
import os
from plotly import graph_objects as go
import plotly.express as px
from folium import Map, Choropleth, Marker, DivIcon
from folium.plugins import MarkerCluster
from folium.features import CustomIcon
import json

Функция общей иформации и первичные проверки:

def pre_check(df):
    display(df.head(5)) # вывод первых 5 строк
    display('Количество пустых ячеек:', df.isna().sum()) # количество пустых ячеек
    display('Количество дубликатов:', df.duplicated().sum()) # количество абсолютных дубликатов
    df.info() # общая информация

Загрузим файл из папки /datasets и сохраним в переменную

Загрузим файлы для проекта:

#датасет с заведениями общественного питания Москвы
pth1 = '/datasets/moscow_places.csv'
pth2 = 'moscow_places.csv'
#границы районов Москвы
pth_json_1 = '/datasets/admin_level_geomap.geojson'
pth_json_2 = 'admin_level_geomap.geojson'


if os.path.exists(pth1):
    places = pd.read_csv(pth1)
    display('Загрузка онлайн')
elif os.path.exists(pth2):
    places = pd.read_csv(pth2)
    display('Загрузка офлайн')
else:
    print('Something is wrong')
    
if os.path.exists(pth_json_1):
    path_json = pth_json_1
    display('Загрузка json онлайн')
elif os.path.exists(pth_json_2):
    path_json = pth_json_2
    display('Загрузка json офлайн')
else:
    print('Something is wrong json')   
    
pre_check(places)

'Загрузка офлайн'

'Загрузка json офлайн'

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
0	WoWфли	кафе	Москва, улица Дыбенко, 7/1	Северный административный округ	ежедневно, 10:00–22:00	55.878494	37.478860	5.0	NaN	NaN	NaN	NaN	0	NaN
1	Четыре комнаты	ресторан	Москва, улица Дыбенко, 36, корп. 1	Северный административный округ	ежедневно, 10:00–22:00	55.875801	37.484479	4.5	выше среднего	Средний счёт:1500–1600 ₽	1550.0	NaN	0	4.0
2	Хазри	кафе	Москва, Клязьминская улица, 15	Северный административный округ	пн-чт 11:00–02:00; пт,сб 11:00–05:00; вс 11:00...	55.889146	37.525901	4.6	средние	Средний счёт:от 1000 ₽	1000.0	NaN	0	45.0
3	Dormouse Coffee Shop	кофейня	Москва, улица Маршала Федоренко, 12	Северный административный округ	ежедневно, 09:00–22:00	55.881608	37.488860	5.0	NaN	Цена чашки капучино:155–185 ₽	NaN	170.0	0	NaN
4	Иль Марко	пиццерия	Москва, Правобережная улица, 1Б	Северный административный округ	ежедневно, 10:00–22:00	55.881166	37.449357	5.0	средние	Средний счёт:400–600 ₽	500.0	NaN	1	148.0

'Количество пустых ячеек:'

name                    0
category                0
address                 0
district                0
hours                 536
lat                     0
lng                     0
rating                  0
price                5091
avg_bill             4590
middle_avg_bill      5257
middle_coffee_cup    7871
chain                   0
seats                3611
dtype: int64

'Количество дубликатов:'

0

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 8406 entries, 0 to 8405
Data columns (total 14 columns):
 #   Column             Non-Null Count  Dtype  
---  ------             --------------  -----  
 0   name               8406 non-null   object 
 1   category           8406 non-null   object 
 2   address            8406 non-null   object 
 3   district           8406 non-null   object 
 4   hours              7870 non-null   object 
 5   lat                8406 non-null   float64
 6   lng                8406 non-null   float64
 7   rating             8406 non-null   float64
 8   price              3315 non-null   object 
 9   avg_bill           3816 non-null   object 
 10  middle_avg_bill    3149 non-null   float64
 11  middle_coffee_cup  535 non-null    float64
 12  chain              8406 non-null   int64  
 13  seats              4795 non-null   float64
dtypes: float64(6), int64(1), object(7)
memory usage: 919.5+ KB

Как видим всего в базе 8406 заведений.

Стилистических нарушений в заголовках нет.

Абсолютных дубликатов нет.

На первый взгляд значения колонок соответствует предоставленному описанию.

Пустые значения в колонках посмотрим относительные значения:

places.shape[0]

8406

round(places.isna().sum() / places.shape[0] * 100)

name                  0.0
category              0.0
address               0.0
district              0.0
hours                 6.0
lat                   0.0
lng                   0.0
rating                0.0
price                61.0
avg_bill             55.0
middle_avg_bill      63.0
middle_coffee_cup    94.0
chain                 0.0
seats                43.0
dtype: float64

Часть колонок имеют пустые значения:

• hours - 6% заведений в базе отсутствует днанные по дням и часам работы
• price - 61% заведений в базе отсутствует днанные по категорию цен
• avg_bill - 55% заведений в базе отсутствует днанные по среднему чеку
• middle_avg_bill - 63% заведений в базе отсутствует днанные по числу среднего чека
• middle_coffee_cup - 94% заведений в базе отсутствует днанные по числу стоимости чашки кофе
• seats - 43% заведений в базе отсутствует днанные по числу ппосадочных мест

Часть пустых значений можно объясняеть тем что если заведение не кофейня то у нее будет отсутствовать middle_coffee_cup(стоимость чашки кофе) и наоборот если это кофейня то у нее нет middle_avg_bill(стоимость среднего чека).

Нужно проверить это утверждение.

Так же можно попробовать восстановить данные по по категорию цен взяв за основу средний чек там на 6% меньше пропусков.

Также можно проверить есть ли пустоты по сетевым заведениям чаще всего у них должны совпадать часть данных: по времени работы и среднему чеку

Предобработка данных

Посмотрим какик данные делятся по avg_bill

напишем функцию для создания колонки только с текстом без цен:

def avg_bill_text(df):
    df = df.copy()
    cat = []
    df['avg_bill'] = df['avg_bill'].fillna ('')
    for cell in df['avg_bill']:
        cat.append(cell.split(':', 1)[0])
    return cat

напишем функцию для добовление колонки относительных данных

def ratio(df, row, func):
    
    if func == 'sum':
        total = df[row].sum()
    if func == 'count':
        total = df.shape[0]
        
    df['ratio'] = round(df[row]/total,2)
    return df

добавим колонку без цен по среднему чеку

places['avg_bill_text'] = avg_bill_text(places)
places.head(5)

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats	avg_bill_text
0	WoWфли	кафе	Москва, улица Дыбенко, 7/1	Северный административный округ	ежедневно, 10:00–22:00	55.878494	37.478860	5.0	NaN	NaN	NaN	NaN	0	NaN
1	Четыре комнаты	ресторан	Москва, улица Дыбенко, 36, корп. 1	Северный административный округ	ежедневно, 10:00–22:00	55.875801	37.484479	4.5	выше среднего	Средний счёт:1500–1600 ₽	1550.0	NaN	0	4.0	Средний счёт
2	Хазри	кафе	Москва, Клязьминская улица, 15	Северный административный округ	пн-чт 11:00–02:00; пт,сб 11:00–05:00; вс 11:00...	55.889146	37.525901	4.6	средние	Средний счёт:от 1000 ₽	1000.0	NaN	0	45.0	Средний счёт
3	Dormouse Coffee Shop	кофейня	Москва, улица Маршала Федоренко, 12	Северный административный округ	ежедневно, 09:00–22:00	55.881608	37.488860	5.0	NaN	Цена чашки капучино:155–185 ₽	NaN	170.0	0	NaN	Цена чашки капучино
4	Иль Марко	пиццерия	Москва, Правобережная улица, 1Б	Северный административный округ	ежедневно, 10:00–22:00	55.881166	37.449357	5.0	средние	Средний счёт:400–600 ₽	500.0	NaN	1	148.0	Средний счёт

avg_bill = places.groupby('avg_bill_text').agg({'name':'count'}).sort_values(by='name', ascending=False)
ratio(avg_bill, 'name', 'sum')

	name	ratio
avg_bill_text
	4590	0.55
Средний счёт	3149	0.37
Цена чашки капучино	535	0.06
Цена бокала пива	132	0.02

По колонке avg_bill у нас для среднего чека есть три деления(не считая пропусков 4590 - 55%) это:

• Средний счёт - 3149 - 37%
• Цена чашки капучино - 535 - 6%
• Цена бокала пива - 132 - 2%

Проверим пересечение этих групп с категориями заведений:

gr_avg_bill = (places[~places['avg_bill'].isna()].groupby(['avg_bill_text','category'])
    .agg({'name':'count'})
    .reset_index()
    .pivot_table(index='avg_bill_text', columns='category', values='name', aggfunc='sum'))

gr_avg_bill = gr_avg_bill.fillna(0)
gr_avg_bill

category	бар,паб	булочная	быстрое питание	кафе	кофейня	пиццерия	ресторан	столовая
avg_bill_text
Средний счёт	349.0	53.0	237.0	694.0	200.0	395.0	1040.0	181.0
Цена бокала пива	130.0	0.0	0.0	0.0	0.0	2.0	0.0	0.0
Цена чашки капучино	6.0	0.0	1.0	4.0	521.0	3.0	0.0	0.0

Посмотрим на график:

fig = plt.subplots(figsize =(16, 7))
sns.heatmap(gr_avg_bill, annot=True, cmap='YlGn', fmt='')
plt.title('График хитмэп пересечение групп среднего счета с категориями заведений', size=18)
plt.ylabel('Группа заведения по счету', size=12)
plt.xlabel('Категория заведения', size=12);

В основном все заведения в базе ориентируется на "средний счет" во всех категориях, только у кофеен лидирует "цена за капучино"(521). "цена за капучино" так же встречается в барах(6), кафе(4), пиццерии(3) и бистро(1)

Цена бокала пиво естественный лиде бары(130) и две пиццерии.

Посмотрим сколько

category_gr = places['category'].value_counts().reset_index()
ratio(category_gr, 'category', 'sum')
category_gr

	index	category	ratio
0	кафе	2378	0.28
1	ресторан	2043	0.24
2	кофейня	1413	0.17
3	бар,паб	765	0.09
4	пиццерия	633	0.08
5	быстрое питание	603	0.07
6	столовая	315	0.04
7	булочная	256	0.03

Посмотрим на кофейни их пропуски.

print('Всего кофеен:' ,places[places['category'] == 'кофейня'].shape[0])
print()
print('Пропуски в категории кофейня:')
round(places[places['category'] == 'кофейня'].isna().sum() / places[places['category'] == 'кофейня'].shape[0] * 100)

Всего кофеен: 1413

Пропуски в категории кофейня:

name                  0.0
category              0.0
address               0.0
district              0.0
hours                 1.0
lat                   0.0
lng                   0.0
rating                0.0
price                66.0
avg_bill             49.0
middle_avg_bill      86.0
middle_coffee_cup    63.0
chain                 0.0
seats                47.0
avg_bill_text         0.0
dtype: float64

print('Всего не кофеен:' ,places[places['category'] != 'кофейня'].shape[0])
print()
print('Пропуски в категории не кофейня:')
round(places[places['category'] != 'кофейня'].isna().sum() / places[places['category'] != 'кофейня'].shape[0] * 100)

Всего не кофеен: 6993

Пропуски в категории не кофейня:

name                   0.0
category               0.0
address                0.0
district               0.0
hours                  7.0
lat                    0.0
lng                    0.0
rating                 0.0
price                 59.0
avg_bill              56.0
middle_avg_bill       58.0
middle_coffee_cup    100.0
chain                  0.0
seats                 42.0
avg_bill_text          0.0
dtype: float64

• В категории не кофейни как мы и предпологали 100% пропусков в стоимости чашки кофе
• А вот в кофейнях 86% в стоимости среднего чека и 63% в стоимости чашки кофе получается в части кофеен есть данные по средней чашечке капучино а в некоторых средний чек.

попробуем заполнить пропуски в категории price на основе средних чеков:

category_price = places.groupby('price').agg({'middle_avg_bill':'max','middle_coffee_cup':'max'}).sort_values('middle_avg_bill').reset_index()
category_price

	price	middle_avg_bill	middle_coffee_cup
0	низкие	600.0	256.0
1	средние	2150.0	1568.0
2	выше среднего	4500.0	256.0
3	высокие	35000.0	250.0

Видим что оринтироваться на стоимоть каппучно не имеет смысла так как 3 категории 250-256 р. средняя цена 1568р.

А вот по среднему чеку можно сделать функцию и добавить там где мы може ориентироваться на средний чек:

def price_group(row):
    
    price = row['middle_avg_bill']
    
    try:
        if price <= category_price.middle_avg_bill[0]:
            return category_price.price[0]
        if price <= category_price.middle_avg_bill[1]:
            return category_price.price[1]
        if price <= category_price.middle_avg_bill[2]:
            return category_price.price[2]
        return category_price.price[3]
    except:
        display('Ошибка проверить тип данных в price')

#для проверки сделаем серию pandas и запустим нашу функцию
row_values = [201]
row_columns = ['middle_avg_bill']

row = pd.Series(data=row_values, index=row_columns)

price_group(row)

'низкие'

def avg_bill_text(df):
    df = df.copy()
    cat = []
    df['avg_bill'] = df['avg_bill'].fillna ('')
    for cell in df['avg_bill']:
        cat.append(cell.split(':', 1)[0])
    return cat
        
places['avg_bill_text'] = avg_bill_text(places)
places['avg_bill_text'].value_counts()

                       4590
Средний счёт           3149
Цена чашки капучино     535
Цена бокала пива        132
Name: avg_bill_text, dtype: int64

price_na = places[(places['avg_bill_text'] == 'Средний счёт') & (places['price'].isna())][['price', 'middle_avg_bill']]
price_na

	price	middle_avg_bill
27	NaN	240.0
32	NaN	328.0
34	NaN	500.0
49	NaN	900.0
84	NaN	300.0
...	...	...
8347	NaN	350.0
8366	NaN	500.0
8383	NaN	150.0
8399	NaN	150.0
8403	NaN	150.0

470 rows × 2 columns

price_na['price'] = price_na.apply(price_group, axis=1)
price_na.head(5)

	price	middle_avg_bill
27	низкие	240.0
32	низкие	328.0
34	низкие	500.0
49	средние	900.0
84	низкие	300.0

places.loc[(places['avg_bill_text'] == 'Средний счёт') & (places['price'].isna()), 'price'] = price_na['price']

middle_beer = places[places['avg_bill_text'] == 'Цена бокала пива']['avg_bill'].apply(
    lambda x: np.mean(list(map(int, re.findall('\d+', x))))
)

places.insert(len(places.columns), 'middle_beer', middle_beer)
places[~places['middle_beer'].isna()].head(5)

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats	avg_bill_text	middle_beer
10	Great Room Bar	бар,паб	Москва, Левобережная улица, 12	Северный административный округ	ежедневно, круглосуточно	55.877832	37.469171	4.5	средние	Цена бокала пива:250–350 ₽	NaN	NaN	0	102.0	Цена бокала пива	300.0
67	Штаб квартира	бар,паб	Москва, Дубнинская улица, 32	Северный административный округ	пн-чт 12:30–00:00; пт,сб 12:30–02:00; вс 12:30...	55.883112	37.558867	5.0	средние	Цена бокала пива:120–350 ₽	NaN	NaN	0	16.0	Цена бокала пива	235.0
97	Жигулевское	бар,паб	Москва, Бибиревская улица, 7к2	Северо-Восточный административный округ	пн-чт 14:00–00:00; пт,сб 14:00–02:00; вс 14:00...	55.879733	37.593734	4.5	средние	Цена бокала пива:90–230 ₽	NaN	NaN	0	NaN	Цена бокала пива	160.0
241	Алиби	бар,паб	Москва, улица Малыгина, 1, стр. 2	Северо-Восточный административный округ	пн-чт 11:00–00:00; пт-вс 11:00–05:00	55.876348	37.701604	4.4	выше среднего	Цена бокала пива:160–499 ₽	NaN	NaN	0	40.0	Цена бокала пива	329.5
417	Сибирская Корона	бар,паб	Москва, Планерная улица, 12к1	Северо-Западный административный округ	ежедневно, 12:00–00:00	55.861691	37.436686	4.3	средние	Цена бокала пива:199–300 ₽	NaN	NaN	0	NaN	Цена бокала пива	249.5

Помотрим на количество уникальных заведений:

print('Абсолютное значение:', len(places['name'].unique()))
print()
print('Относительное значение:', round(len(places['name'].unique()) / places.shape[0] ,3))

Абсолютное значение: 5614

Относительное значение: 0.668

• Уникальных имен заведений 5614(67%)

Посмотрим на процент пропусков данных:

round(places.isna().sum() / places.shape[0] * 100,2)

name                  0.00
category              0.00
address               0.00
district              0.00
hours                 6.38
lat                   0.00
lng                   0.00
rating                0.00
price                54.97
avg_bill             54.60
middle_avg_bill      62.54
middle_coffee_cup    93.64
chain                 0.00
seats                42.96
avg_bill_text         0.00
middle_beer          98.43
dtype: float64

Остальные пропуски оставим как есть чтобы не искажать данные.

Хорошо, посмотрим на дубликаты, проверив по нескольким колонкам

По имени и адресу:

places.duplicated(['name','address']).sum()

0

По имени и координатам:

places.duplicated(['name','lat','lng']).sum()

0

Посмотрим на процент пропусков данных:

round(places.isna().sum() / places.shape[0] * 100,2)

name                  0.00
category              0.00
address               0.00
district              0.00
hours                 6.38
lat                   0.00
lng                   0.00
rating                0.00
price                54.97
avg_bill             54.60
middle_avg_bill      62.54
middle_coffee_cup    93.64
chain                 0.00
seats                42.96
avg_bill_text         0.00
middle_beer          98.43
dtype: float64

Проверим везде ли у нас Москва:

places['address'].str.extract(r'(.*?)(?=\,)').value_counts()

Москва    8406
dtype: int64

Отлично везде Москва.

Создадим колонку с значением только улицы заведения:

places['street'] = places['address'].str.extract(r'(?<=\,\s)(.*?)(?=\,\s)')
places.head(5)

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats	avg_bill_text	middle_beer	street
0	WoWфли	кафе	Москва, улица Дыбенко, 7/1	Северный административный округ	ежедневно, 10:00–22:00	55.878494	37.478860	5.0	NaN	NaN	NaN	NaN	0	NaN		NaN	улица Дыбенко
1	Четыре комнаты	ресторан	Москва, улица Дыбенко, 36, корп. 1	Северный административный округ	ежедневно, 10:00–22:00	55.875801	37.484479	4.5	выше среднего	Средний счёт:1500–1600 ₽	1550.0	NaN	0	4.0	Средний счёт	NaN	улица Дыбенко
2	Хазри	кафе	Москва, Клязьминская улица, 15	Северный административный округ	пн-чт 11:00–02:00; пт,сб 11:00–05:00; вс 11:00...	55.889146	37.525901	4.6	средние	Средний счёт:от 1000 ₽	1000.0	NaN	0	45.0	Средний счёт	NaN	Клязьминская улица
3	Dormouse Coffee Shop	кофейня	Москва, улица Маршала Федоренко, 12	Северный административный округ	ежедневно, 09:00–22:00	55.881608	37.488860	5.0	NaN	Цена чашки капучино:155–185 ₽	NaN	170.0	0	NaN	Цена чашки капучино	NaN	улица Маршала Федоренко
4	Иль Марко	пиццерия	Москва, Правобережная улица, 1Б	Северный административный округ	ежедневно, 10:00–22:00	55.881166	37.449357	5.0	средние	Средний счёт:400–600 ₽	500.0	NaN	1	148.0	Средний счёт	NaN	Правобережная улица

Посмотрим сколько значений могло оказаться пустыми:

print('Кол-во "пустых" улиц:',len(places[places['street'].isna()]))
places[places['street'].isna()]['address'].head(10)

Кол-во "пустых" улиц: 95

25                          Москва, парк Левобережный
60          Москва, ландшафтный заказник Лианозовский
64        Москва, Лианозовский парк культуры и отдыха
73                             Москва, парк Алтуфьево
137                      Москва, парк Ангарские пруды
157               Москва, Проектируемый проезд № 5265
189                      Москва, парк Ангарские Пруды
215                      Москва, парк Ангарские пруды
267     Москва, парк Этнографическая деревня Бибирево
345    Москва, парк культуры и отдыха Северное Тушино
Name: address, dtype: object

Добавим их другой обработкой:

#выбараем значение из строки от первой запятой и пробела до конца строки
places['street'] = places['street'].fillna(
    places[places['street'].isna()][ 'address'].str.extract(r'(?<=\,\s)(.*?)(?=$)')[0]
)

print('Кол-во "пустых" улиц:',len(places[places['street'].isna()]))

Кол-во "пустых" улиц: 0

Хорошо теперь посмотрим на дубликаты в улицах:

#список слов для удаления из строки
words_del = ['улица','переулок','шоссе','проспект','площадь','проезд',
         'село','аллея','бульвар','набережная','тупик','линия','город','поселение']

#собираем уникальный улиц
streets = pd.Series(places['street'].unique(), copy=False).sort_values()

#удаляем слова (с пробелом слева и справа)
for word in words_del:
    streets = streets.str.replace(word+' ', '')
    streets = streets.str.replace(' '+word, '')
    
street_name = list(streets)

#собираем повторяющиеся названия
street_name_unique = [item for item in set(street_name) if street_name.count(item) > 1]

#собираем уникальный улиц
all_list_street = list(pd.Series(places['street'].unique(), copy=False).sort_values())
#убираем пропуски
cleaned_list_street = [x for x in all_list_street if str(x) != 'nan']

#собираем все улицы со списка повторяющихся названий
street_duplicated = (
    [cleaned_list_street[i] for i in range(len(cleaned_list_street)) for w in street_name_unique if w in cleaned_list_street[i]]
)
    
street_duplicated

['2-я улица Энтузиастов',
 'Беговая аллея',
 'Беговая улица',
 'Гончарная набережная',
 'Гончарная улица',
 'Дербеневская набережная',
 'Дербеневская улица',
 'Измайловский бульвар',
 'Измайловский парк культуры и отдыха',
 'Измайловский проезд',
 'Измайловский проспект',
 'Коломенская набережная',
 'Коломенская улица',
 'Кутузовский проезд',
 'Кутузовский проспект',
 'Нагатинская набережная',
 'Нагатинская улица',
 'Нагорный бульвар',
 'Нагорный проезд',
 'Никитский бульвар',
 'Никитский переулок',
 'Новая Басманная улица',
 'Новая Переведеновская улица',
 'Новая площадь',
 'Новая улица',
 'Новоясеневский проспект',
 'Новоясеневский тупик',
 'Павелецкая набережная',
 'Павелецкая площадь',
 'Преображенская площадь',
 'Преображенская улица',
 'Пушкинская набережная',
 'Пушкинская площадь',
 'Садовническая набережная',
 'Садовническая улица',
 'Смоленская площадь',
 'Смоленская улица',
 'Смоленская-Сенная площадь',
 'Спартаковская площадь',
 'Спартаковская улица',
 'Суворовская площадь',
 'Суворовская улица',
 'Сытинский переулок',
 'Сытинский тупик',
 'Таганская площадь',
 'Таганская улица',
 'Трубная площадь',
 'Трубная улица',
 'бульвар Энтузиастов',
 'улица Измайловский Вал',
 'шоссе Энтузиастов']

Посмотре все повторяющие улицы делаем словарь с исправленными названиями:

replace_name_street = {
    'Ангарская':'Ангарская улица',
    'Базовская':'Базовская улица',
    'Дыбенко':'улица Дыбенко',
    'Дмитровское':'Дмитровское шоссе',
    'Ижорская':'Ижорская улица',
    'Ижорский':'Ижорский проезд',
    'Клязьминская':'Клязьминская улица',
    'Коровинское':'Коровинское шоссе',
    'Левобережная':'Левобережная улица',
    'Ленинградское':'Ленинградское шоссе',
    'Маршала Федоренко':'улица Маршала Федоренко',
    'Правобережная':'Правобережная улица'
}

places = places.replace({'street':replace_name_street})

list_street_dup = list(replace_name_street.keys())

len(places.query('street in @list_street_dup'))

0

Для дальнейшего удобства сократим длинные названия округов убрав "административный округ" из названия округа:

places['district'] = places['district'].map(
    lambda x: ' '.join(x.split()[:-2])
)
places.head(5)

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats	avg_bill_text	middle_beer	street
0	WoWфли	кафе	Москва, улица Дыбенко, 7/1	Северный	ежедневно, 10:00–22:00	55.878494	37.478860	5.0	NaN	NaN	NaN	NaN	0	NaN		NaN	улица Дыбенко
1	Четыре комнаты	ресторан	Москва, улица Дыбенко, 36, корп. 1	Северный	ежедневно, 10:00–22:00	55.875801	37.484479	4.5	выше среднего	Средний счёт:1500–1600 ₽	1550.0	NaN	0	4.0	Средний счёт	NaN	улица Дыбенко
2	Хазри	кафе	Москва, Клязьминская улица, 15	Северный	пн-чт 11:00–02:00; пт,сб 11:00–05:00; вс 11:00...	55.889146	37.525901	4.6	средние	Средний счёт:от 1000 ₽	1000.0	NaN	0	45.0	Средний счёт	NaN	Клязьминская улица
3	Dormouse Coffee Shop	кофейня	Москва, улица Маршала Федоренко, 12	Северный	ежедневно, 09:00–22:00	55.881608	37.488860	5.0	NaN	Цена чашки капучино:155–185 ₽	NaN	170.0	0	NaN	Цена чашки капучино	NaN	улица Маршала Федоренко
4	Иль Марко	пиццерия	Москва, Правобережная улица, 1Б	Северный	ежедневно, 10:00–22:00	55.881166	37.449357	5.0	средние	Средний счёт:400–600 ₽	500.0	NaN	1	148.0	Средний счёт	NaN	Правобережная улица

Добавим колонку отображающие круглосуточную работу заведения:

places['is_24/7'] = places['hours'].str.contains(r'ежедневно, круглосуточно')
places.head(5)

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats	avg_bill_text	middle_beer	street	is_24/7
0	WoWфли	кафе	Москва, улица Дыбенко, 7/1	Северный	ежедневно, 10:00–22:00	55.878494	37.478860	5.0	NaN	NaN	NaN	NaN	0	NaN		NaN	улица Дыбенко	False
1	Четыре комнаты	ресторан	Москва, улица Дыбенко, 36, корп. 1	Северный	ежедневно, 10:00–22:00	55.875801	37.484479	4.5	выше среднего	Средний счёт:1500–1600 ₽	1550.0	NaN	0	4.0	Средний счёт	NaN	улица Дыбенко	False
2	Хазри	кафе	Москва, Клязьминская улица, 15	Северный	пн-чт 11:00–02:00; пт,сб 11:00–05:00; вс 11:00...	55.889146	37.525901	4.6	средние	Средний счёт:от 1000 ₽	1000.0	NaN	0	45.0	Средний счёт	NaN	Клязьминская улица	False
3	Dormouse Coffee Shop	кофейня	Москва, улица Маршала Федоренко, 12	Северный	ежедневно, 09:00–22:00	55.881608	37.488860	5.0	NaN	Цена чашки капучино:155–185 ₽	NaN	170.0	0	NaN	Цена чашки капучино	NaN	улица Маршала Федоренко	False
4	Иль Марко	пиццерия	Москва, Правобережная улица, 1Б	Северный	ежедневно, 10:00–22:00	55.881166	37.449357	5.0	средние	Средний счёт:400–600 ₽	500.0	NaN	1	148.0	Средний счёт	NaN	Правобережная улица	False

Посмотрим сколько всего улиц в базе и заодно самые "загруженные" заведениями улицы:

print('Всего улиц:',len(places['street'].value_counts()))
places['street'].value_counts().head(5).reset_index()

Всего улиц: 1448

	index	street
0	проспект Мира	184
1	Профсоюзная улица	122
2	проспект Вернадского	108
3	Ленинский проспект	107
4	Ленинградский проспект	95

1393 улицы в базе, чаще всего встречается проспект Мира, Профсоюзная улица и проспект Вернадского(184, 122, 108 - заведений соответственно)

Анализ данных

Напишем функцию для круговых диаграмм:

def graf_pie(df,col,name,title,size=None,enter=False):
    # по умолчанию разделяющий символ пробел
    symbol = ' '
    # при параметре True будет перенос на новою строку
    if enter:
        symbol = '\n'
    #размер по умолчанию  
    fsize = [12,9]
    
    #размер не умолчанию 
    if size != None:
        fsize = size
    
    #функция для подписей абсолютных и относительных
    def my_fmt(x):
        return '{:.1f}%{}({:.0f})'.format(x, symbol, total*x/100)
    
    #сумма во всех ячейках
    total = df[col].sum()
    
    plt.figure(figsize=(fsize[0], fsize[1]))
    ax = plt.pie(df[col],
        labels = df[name],
        autopct=my_fmt,
        textprops = {'fontsize':16},
        pctdistance=0.75,
        wedgeprops = {'linewidth': 0}
                )
    plt.title(title, size=18)
    
    plt.show();

Посмотрим какие категории заведений представлены в данных:

avg_bill = places['avg_bill_text'].value_counts().reset_index()
ratio(avg_bill, 'avg_bill_text', 'sum')

	index	avg_bill_text	ratio
0		4590	0.55
1	Средний счёт	3149	0.37
2	Цена чашки капучино	535	0.06
3	Цена бокала пива	132	0.02

Посмотрим все категории заведений в базе:

category_gr = places['category'].value_counts().reset_index()
category_gr['ratio'] = round(category_gr['category'] / places.shape[0] * 100)
category_gr

	index	category	ratio
0	кафе	2378	28.0
1	ресторан	2043	24.0
2	кофейня	1413	17.0
3	бар,паб	765	9.0
4	пиццерия	633	8.0
5	быстрое питание	603	7.0
6	столовая	315	4.0
7	булочная	256	3.0

Построим круговую диаграмму:

graf_pie(category_gr,'category','index','Круговая диаграмма категории заведений в Москве',size=[14,10])

• Лидер категория кафе - 28% 2378 заведений
• Второе место ресторан - 24% 2043 заведений
• Замыкает тройку кофейня - 17% 1413 заведений

Построим график распределения для разнообразия

# назначаем стиль графика
sns.set_style('whitegrid')
# назначаем размер графика
plt.figure(figsize=(12, 6))
plt.box(False) #убрать рамку

# строим график
ax = sns.barplot(
    x='index', 
    y='category', 
    data=places['category'].value_counts().reset_index(), 
    color ='#b3c75c'
) 

# формируем заголовок графика и подписи осей средствами matplotlib
plt.title('График распределения заведений в Москве', size=18)
plt.xlabel('Категория заведения', size=12)
plt.ylabel('Кол-во', size=12)
ax.tick_params(labelsize=11)
ax.bar_label(ax.containers[0], size=14 ,padding=-20, color='white');

Распределения по категориям:

• Лидер категория кафе - 28% 2378 заведений
• Второе место ресторан - 24% 2043 заведений
• Замыкает тройку кофейня - 17% 1413 заведений

• Меньше всего у категории булочная - 3% 256 заведений
• Далее всего у категории столовая - 4% 315 заведений
• И у категории быстрое питание - 7% 603 заведений

Посмотрим распределение посадочных мест по категориям:

seats_group = places.groupby('category').agg({'seats':'median'}).reset_index().sort_values('seats', ascending=False)

seats_group

	category	seats
6	ресторан	86.0
0	бар,паб	82.5
4	кофейня	80.0
7	столовая	75.5
2	быстрое питание	65.0
3	кафе	60.0
5	пиццерия	55.0
1	булочная	50.0

# назначаем стиль графика
sns.set_style('whitegrid')
# назначаем размер графика
plt.figure(figsize=(12, 6))
plt.box(False) #убрать рамку

# строим график
ax = sns.barplot(
    x='seats', 
    y='category', 
    data=seats_group,
    color ='#b3c75c'
) 

# формируем заголовок графика и подписи осей средствами matplotlib
plt.title('График кол-во посадочных мест по категориям', size=18)
plt.xlabel('Кол-во посадочных мест', size=12)
plt.ylabel('Категория', size=12)
ax.tick_params(labelsize=11)
ax.bar_label(ax.containers[0], size=14 ,padding=-40, color='white');

seats_district_group = (
    places.groupby(['category','district'])
    .agg({'seats':'median'})
    .reset_index()
    .pivot_table(index='category', columns='district', values='seats', aggfunc='sum')
)
seats_district_group

district	Восточный	Западный	Северный	Северо-Восточный	Северо-Западный	Центральный	Юго-Восточный	Юго-Западный	Южный
category
бар,паб	95.5	96.5	70.0	66.0	85.0	90.0	55.0	63.0	80.0
булочная	36.0	90.0	35.0	98.0	45.5	50.0	77.0	50.0	30.0
быстрое питание	40.0	100.0	51.5	60.0	80.0	94.5	50.0	75.0	83.0
кафе	48.0	66.0	50.0	60.0	95.0	84.0	58.0	70.0	45.0
кофейня	55.0	96.0	66.0	75.0	87.5	86.0	50.0	64.5	80.0
пиццерия	42.5	70.0	55.0	70.0	57.5	90.0	45.0	48.0	45.0
ресторан	60.0	100.0	80.0	80.0	92.0	100.0	70.0	70.0	95.0
столовая	72.0	47.0	50.0	48.0	60.0	100.0	95.0	68.0	80.0

fig = plt.subplots(figsize =(16, 7))
sns.heatmap(seats_district_group, annot=True, cmap='YlGn', fmt='')
plt.title('График хитмэп посадочных мест по категория и округам', size=18)
plt.ylabel('Категория заведения', size=12)
plt.xlabel('Округ', size=12);

Посмотрим на соотношение сетевых и несетевых заведений:

Для начала проверим не сетевые заведения с одинаковыми названиями (возможно сетевые), но по ошибки в базе относящиеся не к сетевым:

dup_chain = (
    places[(places['chain']==0)]#отфильтруим сгрупируем по названию и посчитаем
    .groupby(['name','category'])
    .agg({'address':'count'})
    .reset_index())

#сгрупируем и посчитаем по названию заведения
dup_chain = dup_chain[(dup_chain['address']>1)].sort_values('address', ascending=False) 

print('Всего таких заведений:',dup_chain['address'].sum())
print('Процент от всей базы: {}%'.format(round(dup_chain['address'].sum()/places.shape[0]*100)))
dup_chain

Всего таких заведений: 349
Процент от всей базы: 4%

	name	category	address
2507	Кафе	кафе	159
3697	Ресторан	ресторан	33
4712	Шаурма	быстрое питание	32
4051	Столовая	столовая	22
4713	Шаурма	кафе	10
2815	Кофейня	кофейня	9
2510	Кафе	ресторан	8
2506	Кафе	быстрое питание	7
2658	Кафе-столовая	столовая	7
4050	Столовая	кафе	6
1848	Буфет	кафе	6
2508	Кафе	кофейня	6
2511	Кафе	столовая	6
1773	Бистро	кафе	6
3601	Поминальные обеды	кафе	5
4208	Трапезная	столовая	4
1772	Бистро	быстрое питание	4
4764	Шашлычная	кафе	4
2814	Кофейня	кафе	3
2652	Кафе-кулинария	кафе	2
4206	Трапезная	кафе	2
2607	Кафе для поминок	кафе	2
2505	Кафе	бар,паб	2
1790	Блины	кафе	2
2657	Кафе-столовая	кафе	2

• Всего таких заведений: 349
• Процент от всей базы: 4%

Ни одно название 100% нельзя назвать сетевым так как просто может быть совпадением.

Топ не очень креативных владельцов:

• У нас 159 кафе с названием "Кафе" вряд ли оно сетевое
• 33 ресторана с названием "Ресторан"
• 32 с названием "Шаурма" из категории быстрое питание и 10 кафе с таким же названием
• 10 столовых с названием "Столовая"
• замыкает пятерку 9 кофейнен с названием "Кофейня"

Посмотрим на соотношение сетевых и не сетевых заведений:

chain = places['chain'].value_counts()
chain.index = ['Не сетевые','Сетевые']
chain = chain.reset_index()
chain['ratio'] = round(chain['chain']/ places.shape[0] * 100)
chain

	index	chain	ratio
0	Не сетевые	5201	62.0
1	Сетевые	3205	38.0

Посмотрим на графике:

graf_pie(chain,'chain','index','Круговая диаграмма групп заведений в Москве')

В базе больше не сетевых заведений чуть больше чем в 1,6 раза

• "не сетевых" 5201 заведений (62%)
• "сетевых" 3205 заведений (38%)

Посмотрим как разделяется категории заведений на сетевые и не сетевые:

group_s_n = places[['category','chain']].value_counts().reset_index()
group_s_n['group'] = 'Не сетевые'
group_s_n.loc[group_s_n['chain'] == 1, 'group'] = 'Сетевые'
group_s_n['ratio'] = round(group_s_n[0]/places.shape[0]*100,2)
group_s_n

	category	chain	0	group	ratio
0	кафе	0	1599	Не сетевые	19.02
1	ресторан	0	1313	Не сетевые	15.62
2	кафе	1	779	Сетевые	9.27
3	ресторан	1	730	Сетевые	8.68
4	кофейня	1	720	Сетевые	8.57
5	кофейня	0	693	Не сетевые	8.24
6	бар,паб	0	596	Не сетевые	7.09
7	быстрое питание	0	371	Не сетевые	4.41
8	пиццерия	1	330	Сетевые	3.93
9	пиццерия	0	303	Не сетевые	3.60
10	быстрое питание	1	232	Сетевые	2.76
11	столовая	0	227	Не сетевые	2.70
12	бар,паб	1	169	Сетевые	2.01
13	булочная	1	157	Сетевые	1.87
14	булочная	0	99	Не сетевые	1.18
15	столовая	1	88	Сетевые	1.05

Посмотрим на графике:

# назначаем стиль графика
sns.set_style('whitegrid')
# назначаем размер графика
plt.figure(figsize=(10, 7))
plt.box(False) #убрать рамку

# строим график
ax = sns.barplot(
    x='category', 
    y=0,
    hue='group',
    data=group_s_n
) 

# формируем заголовок графика и подписи осей средствами matplotlib
plt.title('График типов заведений в Москве', size=18)
plt.ylabel('Кол-во', size=12)
plt.xlabel('Категория', size=12)
plt.legend(title='')
ax.tick_params(labelsize=11)
ax.bar_label(ax.containers[1], padding=5, size=10)
ax.bar_label(ax.containers[0], padding=5, size=10)
plt.show(ax)

Лидеры категорий что сетевые и не сетевые одинаковы:

• Лидер категория "кафе"
  • не сетевые - 1599(19%) заведений
  • сетевые - 779(9%) заведений
• Вторая категория "ресторан"
  • не сетевые - 1313(15%) заведений
  • сетевые - 779(8,7%) заведений
• Третья категория "кофейня"
  • не сетевые - 693(8,2%) заведений
  • сетевые - 779(8,6%) заведений

Сетевых заведений больше чем не сетевых только в 3 категориях из 8:

• "кофейня"
• "пиццерия"
• "булочная"

Посмотрим на топ 15 сетевых заведений:

top_15 = places[places['chain']==1][['name','category']].value_counts().reset_index().head(15)
top_15['ratio'] = round(top_15[0]/sum(top_15[0])*100,2)
top_15

	name	category	0	ratio
0	Шоколадница	кофейня	119	15.49
1	Домино'с Пицца	пиццерия	76	9.90
2	Додо Пицца	пиццерия	74	9.64
3	One Price Coffee	кофейня	71	9.24
4	Яндекс Лавка	ресторан	69	8.98
5	Cofix	кофейня	65	8.46
6	Prime	ресторан	49	6.38
7	КОФЕПОРТ	кофейня	42	5.47
8	Кулинарная лавка братьев Караваевых	кафе	39	5.08
9	Теремок	ресторан	36	4.69
10	CofeFest	кофейня	31	4.04
11	Чайхана	кафе	26	3.39
12	Буханка	булочная	25	3.26
13	Drive Café	кафе	24	3.12
14	Кофемания	кофейня	22	2.86

Посмотрим на графике:

# назначаем стиль графика
sns.set_style('whitegrid')
# назначаем размер графика
plt.figure(figsize=(12, 8))
plt.box(False) #убрать рамку

# строим график
ax = sns.barplot(
    x='name', 
    y=0,
    hue='category',
    data=top_15,
    dodge=False
)

# формируем заголовок графика и подписи осей средствами matplotlib
plt.title('График топ 15 заведений в Москве', size=18)
plt.ylabel('Кол-во', size=12)
plt.xlabel('Название', size=12)
plt.legend(title='')
plt.xticks(rotation=25)
ax.tick_params(labelsize=11)
for i in range(len(top_15['category'].value_counts())):
    ax.bar_label(ax.containers[i], padding=5, size=10)
plt.show(ax)

• Как видим лидер сетевиков это кофейня "шоколадница" с 119 заведениями(15% от топ 15),
• Затем две пиццерии "Домино'с Пицца" и "Додо Пицца" - 76 и 74 (9,9% и 9,6% от топ 15 соответственно)

Посмотрим как в топ 15 распределены категории:

top_15_group = top_15.groupby('category').agg({0:'sum'}).sort_values(0, ascending=False)
top_15_group['count'] = top_15['category'].value_counts()
top_15_group['ratio'] = round(top_15_group[0]/sum(top_15[0])*100,2)
top_15_group = top_15_group.reset_index()
top_15_group

	category	0	count	ratio
0	кофейня	350	6	45.57
1	ресторан	154	3	20.05
2	пиццерия	150	2	19.53
3	кафе	89	3	11.59
4	булочная	25	1	3.26

#делаем копию таблицы
places_top_15 = places.copy()

#маркируем в таблице улицы относящиеся к топ 15
places_top_15['is_top15'] = places_top_15['name'].isin(set(top_15['name']))


fig = plt.figure(figsize=(18, 7))
fig.patch.set_facecolor('xkcd:white')

ax1 = fig.add_axes([0.1, 0.1, 0.8, 0.8])
ax1.set_title("Top-15 заведений")
ax1.pie(places_top_15['is_top15'].value_counts(), labels=("Other", "Top-15"),
       autopct='%.0f%%', explode=[0.1, 0.1], colors=['#ECECEC', '#b3c75c'])

ax2 = fig.add_axes([0.7, 0.25, 0.2, 0.25])
ax2.set_title("Категории топ 15")

sns.despine(left=True, ax=ax2)
sns.barplot(data=top_15_group, x='category', y=0, color='#b3c75c', ax=ax2)
ax2.bar_label(ax2.containers[0], padding=5, size=10)
    
ax2.set_ylabel(None)
ax2.set_xlabel(None)
plt.show()

По категориям безоговорочный лидер "кофейни" 6 заведения из 15, далее "ресторан" и "кафе" по 3 заведения

Если помотреть по количеству точек заведений здесь так же лидируют "кофейни" 350 точек и 45,6% от всех точек топ 15, затем "рестораны" и "пиццерии" (154 и 150 точек) примерно по 20% от всех точек топ 15.

Посмотрим какие административные районы Москвы присутствуют в базе:

district_gr = places['district'].value_counts().reset_index()
district_gr

	index	district
0	Центральный	2242
1	Северный	900
2	Южный	892
3	Северо-Восточный	891
4	Западный	851
5	Восточный	798
6	Юго-Восточный	714
7	Юго-Западный	709
8	Северо-Западный	409

Отобразим на диаграмме:

graf_pie(district_gr,'district','index','Круговая диаграмма кол-ву заведений по районам Москвы')

• 26%(2242) заведения в Центре что 2.5 раза больше от ближайшего "приследователя"
• 10-10.7% на Севере(900), Юге(892), Северо-Востоке(891), Западе(851)
• 8-9.5% Встоке(798), Юго-Востоке(714) и Юго-Западе(709)
• 5% Севро-Западе(409) замыкает гонку.

Отобразим как распределены различные категории в районах Москвы:

district_group = places[['category','district']].value_counts().reset_index()
district_group['ratio'] = round(district_group[0]/sum(district_group[0])*100,2)
district_group = (
    district_group
    .pivot_table(index='category', columns='district', values=0, aggfunc='sum')
    .sort_values('Центральный', ascending=False)
)

district_group

district	Восточный	Западный	Северный	Северо-Восточный	Северо-Западный	Центральный	Юго-Восточный	Юго-Западный	Южный
category
ресторан	160	218	189	182	109	670	145	168	202
кафе	272	239	235	269	115	464	282	238	264
кофейня	105	150	193	159	62	428	89	96	131
бар,паб	53	50	68	63	23	364	38	38	68
пиццерия	72	71	77	68	40	113	55	64	73
быстрое питание	71	62	58	82	30	87	67	61	85
столовая	40	24	41	40	18	66	25	17	44
булочная	25	37	39	28	12	50	13	27	25

Отобразим на графике:

fig = plt.subplots(figsize =(16, 7))
sns.heatmap(district_group.T, annot=True, cmap='YlGn', fmt='');
plt.title('График хитмэп кол-во заведений по категория и округам', size=18)
plt.xlabel('Категория заведения', size=12)
plt.ylabel('Округ', size=12);

Видим что лидер по всем фронтам это Центрайльный округ тут больше всего заведений всех категорий. Антилидер это Северо-Западный округ - возможно это связанно с тем что 46% територии это лесопарковые массивы, водоёмы, заповедные зоны. Википедия*

Далее распределение не равномерное, например в Юго-Восточном на втором месте по "кафе", но по "рестораном" он на предпоследнем. И так по всему остальным округам.

Добавим колонку с суммой по всем округам:

district_group_all = district_group.copy()
district_group_all['Все округа'] = district_group_all.sum(numeric_only=True, axis=1)

fig = plt.subplots(figsize =(16, 7))
sns.heatmap(district_group_all.T, annot=True,cmap='YlGn', fmt='');
plt.title('График хитмэп кол-во заведений по категория и округам + сумма всех округов', size=18)
plt.xlabel('Категория заведения', size=12)
plt.ylabel('Округ', size=12);

Так контраст еще более падает и все становится менее очевидным.

Сделаем данные отностительными и посмотрим еще раз на график:

district_group_ratio = district_group_all.copy()

for col in district_group_ratio.columns:
    district_group_ratio[col] = round(district_group_ratio[col] / district_group_ratio['Все округа']*100, 2)
    
district_group_ratio = district_group_ratio[district_group_ratio.columns[:-1]].T
district_group_ratio

category	ресторан	кафе	кофейня	бар,паб	пиццерия	быстрое питание	столовая	булочная
district
Восточный	7.83	11.44	7.43	6.93	11.37	11.77	12.70	9.77
Западный	10.67	10.05	10.62	6.54	11.22	10.28	7.62	14.45
Северный	9.25	9.88	13.66	8.89	12.16	9.62	13.02	15.23
Северо-Восточный	8.91	11.31	11.25	8.24	10.74	13.60	12.70	10.94
Северо-Западный	5.34	4.84	4.39	3.01	6.32	4.98	5.71	4.69
Центральный	32.79	19.51	30.29	47.58	17.85	14.43	20.95	19.53
Юго-Восточный	7.10	11.86	6.30	4.97	8.69	11.11	7.94	5.08
Юго-Западный	8.22	10.01	6.79	4.97	10.11	10.12	5.40	10.55
Южный	9.89	11.10	9.27	8.89	11.53	14.10	13.97	9.77

fig = plt.subplots(figsize =(16, 7))
sns.heatmap(district_group_ratio, annot=True,cmap='YlGn', fmt='');
plt.title('Относительный график хитмэп кол-во заведений по категория и округам ', size=18)
plt.xlabel('Категория заведения', size=12)
plt.ylabel('Округ', size=12);

Лидер и антилидер непокалебимы, но есть три основных категорий центрального округа:

• бары и пабы почти половина всех в центре 48%
• 1/3 всех ресторанов тоже в центре
• 30% кофеин так же в центре

Далее столовые 21% кафе и булочные по 19,5% и пиццерии 18% и фастфуд 14%

и по остальным есть изменения но из за малого контраста не видно, убирем лидера, анитилидера и посмотрим:

fig = plt.subplots(figsize =(16, 7))
sns.heatmap(district_group_ratio.drop(['Центральный','Северо-Западный'], axis=0), annot=True,cmap='YlGn', fmt='');
plt.title('Относительный график хитмэп кол-во заведений по категория и округам ', size=18)
plt.xlabel('Категория заведения', size=12)
plt.ylabel('Округ', size=12);

• оказывается больше всего пекут хлеб(булочных) в Северном округе - 15% и Западном округе - 14% (если конечно исключить Центральный округ), в Северном округе так же любят кофейни 13%
• фастфуд(14%) и столовые(14%) любят в Южном округе(Северо-Восточный чуть отстает от него)

В остальном все рядом с друг другом.

Посмотрим на распределение средних рейтингов по категориям заведений.

Построим таблицу по категориям с максимальной минимальной средними и медиальной оценками:

rating_median = (
    places.pivot_table(index='category', values='rating', aggfunc=('median', 'mean', 'max', 'min'))
    .sort_values('mean', ascending=False)
)
rating_median

	max	mean	median	min
category
бар,паб	5.0	4.387712	4.4	1.1
пиццерия	5.0	4.301264	4.3	1.0
ресторан	5.0	4.290357	4.3	1.0
кофейня	5.0	4.277282	4.3	1.4
булочная	5.0	4.268359	4.3	1.3
столовая	5.0	4.211429	4.3	1.0
кафе	5.0	4.123886	4.2	1.0
быстрое питание	5.0	4.050249	4.2	1.1

Построим диаграмму размаха для сравнения оценок по категориям заведений:

plt.figure(figsize=(14, 8))
ax = sns.boxplot(data=places, x="rating", y="category", dodge=False, order=rating_median.index);
ax.set_ylabel('категорий заведения', size=14)
ax.set_xlabel('рейтинг', size=14)
ax.tick_params(labelsize=20)
plt.title('График рейтинга категорий заведений', size=18)
plt.xlim(3.2, 5.2);

Немного "подрезаем" диаграмму(убираем выбросы в сторону минимальных оценок) видим что:

• Высший средний(медиальный) был у баров с оценкой 4.4(4.4)
• С оценокой 4.3 идут по очереди пиццерия(4.3), ресторан(4.3), кофейня(4.3), булочная(4.3) и столовая(4.2).
• Замыкают с оценкой 4.2 кафе(4.1) и фастфуд(4)

Посмотрим на среднию оценку по округам Москвы

district_rt = places.groupby(['district']).agg({'rating':'median'}).sort_values(by='rating').reset_index()
district_rt['district'] = district_rt['district'] + ' административный округ'
district_rt

	district	rating
0	Северо-Восточный административный округ	4.2
1	Юго-Восточный административный округ	4.2
2	Восточный административный округ	4.3
3	Западный административный округ	4.3
4	Северный административный округ	4.3
5	Северо-Западный административный округ	4.3
6	Юго-Западный административный округ	4.3
7	Южный административный округ	4.3
8	Центральный административный округ	4.4

Подготовим иконки для отображения на карте:

# ссылка на иконками
link_png = 'https://getfile.dokpub.com/yandex/get/https://disk.yandex.ru/d/5Czh72m2Iwqw4g/'
# словарь с иконками
names_png = {
    'быстрое питание':'bistro.png',
    'булочная':'bread.png',
    'кафе':'cafe.png',
    'бар,паб':'cocktail.png',
    'кофейня':'kawaii-coffee.png',
    'пиццерия':'pizza.png',
    'ресторан':'restaurant_01.png',
    'столовая':'stolovay.png',
    'beer':'test.png',
    'cup':'cup_coffee.png',
    'check':'receipt.png',
    'flag':'flag.png',
    'bars':'bars.png'
}

Напишем функцию для отображения данных на карте в виде хороплета:

def moscow_regions(df,col1,col2,title,color='YlGn', icon_list=None):
    # загружаем JSON-файл с границами округов Москвы
    with open(path_json, 'r', encoding='utf-8') as f:
        geo_json = json.load(f)
    
    # moscow_lat - широта центра Москвы, moscow_lng - долгота центра Москвы
    moscow_lat, moscow_lng = 55.751244, 37.618423

    # создаём карту Москвы
    m = Map(location=[moscow_lat, moscow_lng], zoom_start=10)
    
    # создаём хороплет с помощью конструктора Choropleth и добавляем его на карту
    Choropleth(
        geo_data=geo_json,
        data=df,
        columns=[col1, col2],
        key_on='feature.name',
        fill_color='YlGn',
        fill_opacity=0.8,
        legend_name=title
    ).add_to(m)
    
    #координаты центров округов 
    #(частично взяты из json https://colab.research.google.com/drive/1i_JyLCVT7OxMDAUbqPuHrqAavRlj8u78?usp=sharing)
    lons = {'Восточный административный округ':37.77871413556669, 
        'Северный административный округ':37.50250505465452, 
        'Юго-Западный административный округ':37.544964, 
        'Юго-Восточный административный округ':37.771737114458645, 
        'Южный административный округ':37.66144717457541, 
        'Северо-Восточный административный округ':37.62211649418159, 
        'Центральный административный округ':37.61544980619323, 
        'Северо-Западный административный округ':37.42570067672262, 
        'Западный административный округ':37.470901}

    lats = {'Восточный административный округ':55.78783456676639,
        'Северный административный округ':55.85380761975098,
        'Юго-Западный административный округ':55.653469,
        'Юго-Восточный административный округ':55.692340446980204,
        'Южный административный округ':55.636568856110365,
        'Северо-Восточный административный округ':55.863545692349625,
        'Центральный административный округ':55.7536863364688,
        'Северо-Западный административный округ':55.821077389294935,
        'Западный административный округ':55.707220}
    
    marker_cluster = MarkerCluster().add_to(m)
    if icon_list != None:
        
        icon_url = link_png + names_png[icon_list[0]] 
        # создаём объект с собственной иконкой размером 50x50
        icon = CustomIcon(icon_url, icon_size=(50, 50))
        # создаём маркер с иконкой icon и добавляем его в кластер

        Marker(
            [55.883384, 37.195548],
            popup=f"{icon_list[1]}",
            icon=icon,
        ).add_to(marker_cluster)
    
    for key in lats:
        for i in range(len(df[col1])):
            if df[col1][i] == key:
                #собираем путь к файлу

                html_t = ('''<div style="
                      text-align: center;
                      vertical-align: 25%;
                      "><div style="
                      font-family: sans-serif;
                      font-weight: bold;
                      border-radius: 2em;
                      padding: 0.5em;
                      display: inline-block;
                      background: rgba(255, 255, 255, 0.7);;
                      font-size: 1em;
                      color: black; 
                      ">
                      {}
                      </div></div>'''.format(df[col2][i]))

                Marker(location=[lats[key], lons[key]], 
                  icon=DivIcon(
                      icon_size=(180, 20),
                      html=html_t)
                 ).add_to(m)
    
    
    # выводим карту
    return m

Применим функцию для отображения рейтинга на карте:

moscow_regions(
    district_rt,
    'district',
    'rating',
    'Медианный рейтинг заведений по районам',
    icon_list=['flag','Медианный рейтинг заведений по районам'])

Make this Notebook Trusted to load map: File -> Trust Notebook

• пять наблюдаем что лидер Центр с райтингом 4.4
• отстающие Юго-Восток и Северо-Восток с 4.2 балами
• все остальные с оценкой 4.3

Построим хотмеп для подробного отображения среднего рейтинга по заведениям и округам:

district_ct_rt = places.pivot_table(index='district', columns='category', values='rating', aggfunc='median')
district_ct_rt

category	бар,паб	булочная	быстрое питание	кафе	кофейня	пиццерия	ресторан	столовая
district
Восточный	4.30	4.2	4.20	4.2	4.3	4.30	4.3	4.30
Западный	4.50	4.3	4.10	4.2	4.2	4.30	4.3	4.25
Северный	4.35	4.3	4.15	4.3	4.3	4.30	4.3	4.20
Северо-Восточный	4.30	4.3	4.20	4.2	4.3	4.25	4.3	4.20
Северо-Западный	4.40	4.3	4.05	4.2	4.3	4.30	4.3	4.20
Центральный	4.50	4.4	4.30	4.3	4.3	4.40	4.4	4.30
Юго-Восточный	4.40	4.2	4.10	4.2	4.3	4.30	4.3	4.20
Юго-Западный	4.40	4.3	4.20	4.2	4.3	4.30	4.3	4.20
Южный	4.40	4.4	4.20	4.2	4.3	4.30	4.3	4.30

fig = plt.subplots(figsize =(16, 7))
sns.heatmap(district_ct_rt, annot=True,cmap='YlGn', fmt='');
plt.title('График хитмэп ранг заведений по категория и округам ', size=18)
plt.xlabel('Категория заведения', size=12)
plt.ylabel('Округ', size=12);

• Лучшии пабы в Центре и на Севере 4.5
• На Юге и в Центре булочные соценкой 4.4
• фастфуд ниже всех(4-4.2) в целом, но лучший опять же в Центре 4.3 бала
• кафе везде 4.2 кроме Центра и Севера тут по 4.3 бала
• кофейни везде по 4.3 бала, хуже только на Западе.
• В Центре лучшие пиццерии и рестораны по 4.4 бала у остальных ниже на 0.1 бала
• Лучшии столовые в Центре, Юге и Востоке

Отобразим все заведения на карте

# moscow_lat - широта центра Москвы, moscow_lng - долгота центра Москвы
moscow_lat, moscow_lng = 55.751244, 37.618423

# создаём карту Москвы
m = Map(location=[moscow_lat, moscow_lng], zoom_start=10)
# создаём пустой кластер, добавляем его на карту
marker_cluster = MarkerCluster().add_to(m)


def create_clusters(row):
    # путь к иконкам
    
    # в соответсвии с каждой категории присваиваем свою иконку
    for key in names_png:
        if row['category'] == key:
            #собираем путь к файлу
            icon_url = link_png + names_png[key] 
            # создаём объект с собственной иконкой размером 50x50
            icon = CustomIcon(icon_url, icon_size=(50, 50))
            # создаём маркер с иконкой icon и добавляем его в кластер
            Marker(
                [row['lat'], row['lng']],
                popup=f"{row['name']} {row['rating']}",
                icon=icon,
            ).add_to(marker_cluster)
    
# применяем функцию для создания кластеров к каждой строке датафрейма
places.apply(create_clusters, axis=1)

# выводим карту
m

Make this Notebook Trusted to load map: File -> Trust Notebook

Отлично теперь можно увидеть каждое заведение на карте с названием и рейтингом.

Посмотрим как распределены заведения по районам Москвы

street_district = (
        places.pivot_table(index='district', values=['name'], aggfunc=('count'))
     .reset_index().sort_values(by='name', ascending=False)
    )
street_district['district'] = street_district['district'] + ' административный округ'


moscow_regions(
    street_district,
    'district',
    'name',
    'Количество заведений по районам',
    icon_list=['bars','Ого как много'])

Make this Notebook Trusted to load map: File -> Trust Notebook

Посмотрим топ-15 улиц по количеству заведений:

Посчитаем кол-во по улицам и отберем топ 15 улиц и по ним отфильтруем всю таблицу

ratio(
    places['street'].value_counts().reset_index().head(15),
    'street',
    'sum'
)

	index	street	ratio
0	проспект Мира	184	0.15
1	Профсоюзная улица	122	0.10
2	проспект Вернадского	108	0.09
3	Ленинский проспект	107	0.09
4	Ленинградский проспект	95	0.08
5	Дмитровское шоссе	88	0.07
6	Каширское шоссе	77	0.06
7	Варшавское шоссе	76	0.06
8	Ленинградское шоссе	70	0.06
9	МКАД	65	0.05
10	Люблинская улица	60	0.05
11	улица Вавилова	55	0.04
12	Кутузовский проспект	54	0.04
13	улица Миклухо-Маклая	49	0.04
14	Пятницкая улица	48	0.04

list_street_top_15 = list(places[['street']].value_counts().reset_index()['street'].head(15))
crop_street_top_15 = places.query("street in @list_street_top_15")
print('Всего колонок:',len(crop_street_top_15))
crop_street_top_15.head(5)

Всего колонок: 1258

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats	avg_bill_text	middle_beer	street	is_24/7
8	Donna Maria	ресторан	Москва, Дмитровское шоссе, 107, корп. 4	Северный	ежедневно, 10:00–22:00	55.880045	37.539006	4.8	средние	Средний счёт:от 500 ₽	500.0	NaN	0	79.0	Средний счёт	NaN	Дмитровское шоссе	False
12	Заправка	кафе	Москва, МКАД, 80-й километр, 1	Северный	вт-сб 09:00–18:00	55.899938	37.517958	4.3	средние	Средний счёт:330 ₽	330.0	NaN	0	NaN	Средний счёт	NaN	МКАД	False
17	Чайхана Беш-Бармак	ресторан	Москва, Ленинградское шоссе, 71Б, стр. 2	Северный	ежедневно, круглосуточно	55.876908	37.449876	4.4	средние	Средний счёт:350–500 ₽	425.0	NaN	0	96.0	Средний счёт	NaN	Ленинградское шоссе	True
26	Пикочино	пиццерия	Москва, Дмитровское шоссе, 107к2	Северный	пн-чт 11:00–22:00; пт,сб 11:00–23:00; вс 11:00...	55.879390	37.541228	4.5	средние	Средний счёт:300–1500 ₽	900.0	NaN	0	NaN	Средний счёт	NaN	Дмитровское шоссе	False
28	Mafe	кафе	Москва, МКАД, 78-й километр, 14к1	Северный	ежедневно, 10:00–19:00	55.893061	37.501319	3.8	средние	Средний счёт:400–600 ₽	500.0	NaN	0	NaN	Средний счёт	NaN	МКАД	False

Подготовим данные к графику:

#собирим список улиц по убыванию на них заведений
colum_street = list(crop_street_top_15[['street']].value_counts().reset_index()['street']) 

#сделаем сводную таблицу
top_15_street_filter = (
    crop_street_top_15.pivot_table(index='street', columns='category', values='name', aggfunc='count')
    .sort_values('кафе', ascending=False)
    .T
)

#применим нашу сортировку
top_15_street_filter = top_15_street_filter[colum_street]


top_15_street_filter = top_15_street_filter.T.reset_index()

top_15_street_filter

category	street	бар,паб	булочная	быстрое питание	кафе	кофейня	пиццерия	ресторан	столовая
0	проспект Мира	12.0	4.0	21.0	53.0	36.0	11.0	45.0	2.0
1	Профсоюзная улица	6.0	4.0	15.0	35.0	18.0	15.0	26.0	3.0
2	проспект Вернадского	7.0	1.0	12.0	25.0	16.0	12.0	33.0	2.0
3	Ленинский проспект	10.0	3.0	2.0	26.0	23.0	5.0	33.0	5.0
4	Ленинградский проспект	15.0	4.0	2.0	12.0	25.0	9.0	25.0	3.0
5	Дмитровское шоссе	6.0	2.0	10.0	23.0	11.0	8.0	24.0	4.0
6	Каширское шоссе	2.0	NaN	10.0	20.0	16.0	5.0	19.0	5.0
7	Варшавское шоссе	6.0	NaN	7.0	18.0	14.0	4.0	20.0	7.0
8	Ленинградское шоссе	5.0	2.0	5.0	13.0	13.0	3.0	26.0	3.0
9	МКАД	1.0	NaN	9.0	45.0	4.0	NaN	5.0	1.0
10	Люблинская улица	5.0	NaN	5.0	26.0	11.0	1.0	10.0	2.0
11	улица Вавилова	2.0	2.0	11.0	15.0	10.0	3.0	12.0	NaN
12	Кутузовский проспект	2.0	1.0	2.0	14.0	13.0	3.0	16.0	3.0
13	улица Миклухо-Маклая	3.0	NaN	4.0	21.0	4.0	2.0	15.0	NaN
14	Пятницкая улица	9.0	3.0	2.0	7.0	6.0	3.0	18.0	NaN

Построим график:

# назначаем стиль графика
sns.set_style('whitegrid')
# назначаем размер графика

ax = top_15_street_filter.set_index('street').plot(
    kind='bar', stacked=True , figsize=(16, 8), width=0.8, edgecolor = "none", alpha=0.9
)

# формируем заголовок графика и подписи осей средствами matplotlib
plt.title('График топ-15 улиц по количеству заведений', size=15)
plt.ylabel('Кол-во заведений', size=12)
plt.xlabel('Улица', size=12)
plt.xticks(rotation=25)
plt.legend(bbox_to_anchor=(0.9, 0.9))
ax.tick_params(labelsize=11)

plt.show(ax);

• Самая загруженная улица проспект Мира (основные:кафе - 53, рестораны - 45, кофейни - 36, быстрое питание - 21) с 184 заведения 15%
  • Профсоюзная улица 122 заведений (10%) основные это кафе - 35, рестораны - 26, кофейни - 18
  • проспект Вернадского 108 заведений (9%) основные это кафе - 25, рестораны - 33, кофейни - 16

Дополнительно выделяется МКАД с 46 кафе это 70% от всех его заведений.

Посмотрим как они распределяются по округам:

district_street_top = crop_street_top_15.groupby(['street']).first()['district'].value_counts().reset_index()
district_street_top['index'] = district_street_top['index'] + ' административный округ'

moscow_regions(
    district_street_top,
    'index',
    'district',
    'Количество улиц по районам',
    icon_list=['bars','Неожиданно'])

Make this Notebook Trusted to load map: File -> Trust Notebook

Большинство этих улицы многополосные шоссе основные артерии города.

Больше всего таких улиц на Севере 4 шт и Юго-Западе 3 шт

Найдем улицы, на которых находится только один объект общепита

list_street_low = list(places['street'].value_counts().reset_index().sort_values('street').query("street == 1")['index'])
street_low = places.query("street in @list_street_low")
#street_low['ratio'] = round(top_15[0]/sum(top_15[0])*100,2)

print('Всего улиц с одним заведением:',len(street_low))
street_low.head(5)

Всего улиц с одним заведением: 458

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats	avg_bill_text	middle_beer	street	is_24/7
15	Дом обеда	столовая	Москва, улица Бусиновская Горка, 2	Северный	пн-пт 08:30–18:30; сб 10:00–20:00	55.885890	37.493264	4.1	средние	Средний счёт:300–500 ₽	400.0	NaN	0	180.0	Средний счёт	NaN	улица Бусиновская Горка	False
21	7/12	кафе	Москва, Прибрежный проезд, 7	Северный	ежедневно, 10:00–22:00	55.876805	37.464934	4.5	NaN	NaN	NaN	NaN	0	NaN		NaN	Прибрежный проезд	False
25	В парке вкуснее	кофейня	Москва, парк Левобережный	Северный	ежедневно, 10:00–21:00	55.878453	37.460028	4.3	NaN	NaN	NaN	NaN	1	NaN		NaN	парк Левобережный	False
58	Coffeekaldi's	кофейня	Москва, Угличская улица, 13, стр. 8	Северо-Восточный	ежедневно, 09:00–22:00	55.900316	37.570558	4.1	средние	Средний счёт:500–800 ₽	650.0	NaN	1	NaN	Средний счёт	NaN	Угличская улица	False
60	Чебуречная история	кофейня	Москва, ландшафтный заказник Лианозовский	Северо-Восточный	ежедневно, 10:00–22:00	55.899845	37.570488	4.9	NaN	NaN	NaN	NaN	1	NaN		NaN	ландшафтный заказник Лианозовский	False

street_low_gr =(street_low
.pivot_table(index='category', values=['rating','middle_avg_bill'], aggfunc=('median', 'count','max','min'))
.reset_index())

street_low_gr.columns = street_low_gr.columns.droplevel(-1)
street_low_gr.columns = [
    'category','count_d','max_m_bill','median_m_bill','min_m_bill','count','rating_max','rating_median','rating_min',
]

street_low_gr = street_low_gr[[
    'category','count','max_m_bill','median_m_bill','min_m_bill','rating_max','rating_median','rating_min'
]]

street_low_gr.sort_values(by='count', ascending=False)

	category	count	max_m_bill	median_m_bill	min_m_bill	rating_max	rating_median	rating_min
3	кафе	160	2000.0	500.0	67.0	5.0	4.20	1.4
6	ресторан	93	7000.0	1275.0	175.0	5.0	4.30	1.0
4	кофейня	84	1450.0	475.0	175.0	5.0	4.30	3.2
0	бар,паб	39	4500.0	1250.0	650.0	5.0	4.50	3.9
7	столовая	36	400.0	275.0	200.0	4.9	4.30	3.0
2	быстрое питание	23	2750.0	450.0	125.0	5.0	4.30	3.0
5	пиццерия	15	1500.0	600.0	255.0	4.9	4.30	4.1
1	булочная	8	NaN	NaN	NaN	4.9	4.35	3.8

Одно заведение улице:

• чаще всего "кафе" 143 с средним чеком 500 и средним рейтингом 4,2
• "ресторан" 90 с средним чеком 1300 и средним рейтингом 4,3
• "кофейня" 75 с средним чеком 475 и средним рейтингом 4,3
• "бар,паб" 38 с средним чеком 1250.0 и средним рейтингом 4.45

Посмотрим как они распределены по округам:

# Посчитаем сколько улиц с одним заведением в каждом округе.
street_low_district = (
    street_low.groupby(['district'])
    .agg({'name':'count'})
    .sort_values(by='name', ascending=False)
    .reset_index()
)
# Посчитаем относительные значения от всех улиц с одним заведением улицами с одним заведением в округе.
ratio(street_low_district, 'name', 'sum')

# Посчитаем сколько уникальных улиц в каждом районе
street_district = (
    places.groupby('street').first()
    .pivot_table(index='district', values='name', aggfunc=('count'))
    .reset_index()
    .sort_values(by='name', ascending=False)
    .reset_index()
)
# Посчитаем относительные значения от кол-вом всех улиц в округе с кол-во одним заведением в округе.
ratio(street_district, 'name', 'sum')
# Перенесем данные по уникальным улицам
street_low_district['total_street'] = street_district['name']
# Посчитаем относительные значения от кол-во улиц в округе и улиц с одним заведением.
street_low_district['total_street_ratio'] = round(street_low_district['name'] / street_low_district['total_street'],2)

street_low_district['total'] = district_gr['district']
street_low_district['total_ratio'] = round(street_low_district['name'] / street_low_district['total'],2)

street_low_district

	district	name	ratio	total_street	total_street_ratio	total	total_ratio
0	Центральный	145	0.32	448	0.32	2242	0.06
1	Северо-Восточный	55	0.12	163	0.34	900	0.06
2	Восточный	52	0.11	159	0.33	892	0.06
3	Северный	52	0.11	148	0.35	891	0.06
4	Южный	43	0.09	142	0.30	851	0.05
5	Юго-Восточный	39	0.09	124	0.31	798	0.05
6	Западный	35	0.08	117	0.30	714	0.05
7	Северо-Западный	19	0.04	74	0.26	709	0.03
8	Юго-Западный	18	0.04	73	0.25	409	0.04

# Посчитаем сколько улиц с одним заведением в каждом округе.
street_low_district = (
    street_low.groupby(['district'])
    .agg({'name':'count'})
)

street_district = (
    places.groupby('street').first()
    .pivot_table(index='district', values='name', aggfunc=('count'))
)

street_low_district = pd.merge(district_gr.set_index('index'), street_low_district, left_index=True, right_index=True)
street_low_district = pd.merge(street_district, street_low_district, left_index=True, right_index=True)

street_low_district.columns = ['total_street','total','street_low']

street_low_district['more_1'] = street_low_district['total'] - street_low_district['street_low']

street_low_district['total_ratio'] = round(street_low_district['street_low'] / street_low_district['total'],2)
street_low_district['total_street_ratio'] = round(street_low_district['street_low'] / street_low_district['total_street'],2)

street_low_district = street_low_district.reset_index().sort_values(by='total', ascending=False)
street_low_district

	index	total_street	total	street_low	more_1	total_ratio	total_street_ratio
5	Центральный	448	2242	145	2097	0.06	0.32
2	Северный	148	900	52	848	0.06	0.35
8	Южный	142	892	43	849	0.05	0.30
3	Северо-Восточный	159	891	55	836	0.06	0.35
1	Западный	117	851	35	816	0.04	0.30
0	Восточный	163	798	52	746	0.07	0.32
6	Юго-Восточный	124	714	39	675	0.05	0.31
7	Юго-Западный	73	709	18	691	0.03	0.25
4	Северо-Западный	74	409	19	390	0.05	0.26

street_low_district[['total_ratio','total_street_ratio']].median()

total_ratio           0.05
total_street_ratio    0.31
dtype: float64

Построим график

# назначаем стиль графика
sns.set_style('whitegrid')
# назначаем размер графика

ax = (
    street_low_district[['index','more_1','street_low']]
      .set_index('index')
      .plot(kind='bar', stacked=True , figsize=(16, 8), width=0.8, edgecolor = "none",alpha=0.9)
     )

# формируем заголовок графика и подписи осей средствами matplotlib
plt.title('График топ-15 улиц по количеству заведений', size=15)

plt.ylabel('Кол-во улиц', size=12)
plt.xlabel('Округ', size=12)
plt.legend(['Улица от двух заведением','Улица с одним заведением'],bbox_to_anchor=(0.9, 0.9))
ax.tick_params(labelsize=11)

plt.show(ax);

В каждом районе есть заведения которые одни на улице в среднем 5% от всех заведений в округе В каждом районе есть улица с одним заведением в среднем 29% от всех улиц в округе

• Меньше всего улиц с одни заведением в округе на Юго-Западе всего 69:
  • 2% от всех заведений в округе
  • 25% от всех улиц в округе
• Больше всего улиц с одни заведением в округе на Севере и Востоке всего 142 и 157:
  • 5% и 6% от всех заведений в округе
  • 33% и 32% от всех улиц в округе

Посмотрим как они расположены на карте:

# moscow_lat - широта центра Москвы, moscow_lng - долгота центра Москвы
moscow_lat, moscow_lng = 55.751244, 37.618423

# создаём карту Москвы
s1 = Map(location=[moscow_lat, moscow_lng], zoom_start=10)
# создаём пустой кластер, добавляем его на карту
marker_cluster = MarkerCluster().add_to(s1)

street_low.apply(create_clusters, axis=1)

# выводим карту
s1

Make this Notebook Trusted to load map: File -> Trust Notebook

Построим фоновую картограмму по среднему чеку в округах:

district_median_bill = places.pivot_table(index='district', values='middle_avg_bill', aggfunc='median').reset_index()
district_median_bill['district'] = district_median_bill['district'] + ' административный округ'

moscow_regions(
    district_median_bill,
    'district',
    'middle_avg_bill',
    'Медианный чек заведений по районам',
    icon_list=['check','Ого как много'])

Make this Notebook Trusted to load map: File -> Trust Notebook

• самый высокий средний чек в Центре и Западе - 1000р.
• самый низкий средний чек в Сверо-Востоке, Юге - 500р. и Юго-Востоке - 450р.

district_ct_mab = places.pivot_table(index='district', columns='category', values='middle_avg_bill', aggfunc='median')
district_ct_mab

category	бар,паб	булочная	быстрое питание	кафе	кофейня	пиццерия	ресторан	столовая
district
Восточный	1200.0	300.0	375.0	450.0	400.0	500.0	1000.0	300.0
Западный	1250.0	600.0	367.5	625.0	600.0	700.0	1300.0	300.0
Северный	1250.0	625.0	300.0	550.0	325.0	650.0	1187.5	300.0
Северо-Восточный	900.0	500.0	425.0	475.0	325.0	500.0	837.5	275.0
Северо-Западный	1000.0	200.0	275.0	650.0	325.0	549.5	1250.0	300.0
Центральный	1250.0	962.5	450.0	700.0	500.0	1000.0	1250.0	300.0
Юго-Восточный	925.0	375.0	300.0	400.0	250.0	500.0	925.0	275.0
Юго-Западный	1000.0	500.0	375.0	450.0	375.0	500.0	1050.0	305.0
Южный	1175.0	437.5	400.0	600.0	387.5	500.0	975.0	282.5

fig = plt.subplots(figsize =(12, 7))
sns.heatmap(district_ct_mab, annot=True,cmap='YlGn', fmt='');
plt.title('График хитмэп среднего чека по категория и округам ', size=18)
plt.xlabel('Категория заведения', size=12)
plt.ylabel('Округ', size=12);

По категориям:

• Выгоднее всего открывать бар(900-1250) и ресторан (837-1300)
  • Самые выгодные округа для бара
    • Центр, Север и Запад - средний чек 1250р.
  • Самые выгодные округа для ресторана
    • Запад - средний чек 1300р, Центр и Северо-Запад - средний чек 1250р.

• Самые не выгодные это столовая (275-305) и быстрое питание (275-450)
  • Самые не выгодные округа для столовая
    • Север-Восток и Юго-Восток - средний чек 275р.
      • Самые не выгодные округа для быстрое питание
    • Северо-Запад - средний чек 275, Север и Юго-Восток - средний чек 300р.

district_median_coffee = places.pivot_table(index='district', values='middle_coffee_cup', aggfunc='median').reset_index()
district_median_coffee['district'] = district_median_coffee['district'] + ' административный округ'

moscow_regions(
    district_median_coffee,
    'district',
    'middle_coffee_cup',
    'Цена чашки капучино в кофейнях по районам',
    icon_list=['cup','Кофе со сливками, смешать но не взбалтывать!'])

Make this Notebook Trusted to load map: File -> Trust Notebook

• самый дорогая чашка капучино на Юго-Западе - 197р. в Центре - 190р., Западе - 187р.,
• самый доступная чашка капучино на Востоке - 135р., Юго-Востоке - 145р., Юге - 149,5р.

district_ct_mcc = (
    places.pivot_table(index='district', columns='category', values='middle_coffee_cup', aggfunc='median')
    .sort_values(by='кофейня', ascending=False)
)
fig = plt.subplots(figsize =(12, 7))
sns.heatmap(district_ct_mcc, annot=True,cmap='YlGn', fmt='');
plt.title('График хитмэп стоимости чашки капучино по категория и округам ', size=18)
plt.xlabel('Категория заведения', size=12)
plt.ylabel('Округ', size=12);

Чашка капучино по категориям:

• Выгоднее всего открывать бар(175-222,5) и кофейня (135-198)
  • Самые выгодные округа для бара
    • Центр - 222,5, Южный - 210, Запад - 175
  • Самые выгодные округа для кофейня
    • Юго-Запад - 198, Центр - 190, Запад - 189

• Самые не выгодные это кафе (75-117,5) и быстрое питание (140)
  • Самые не выгодные округа для кафе
    • Северо-Запад - 75, Север - 112, Южный - 117
      • Самые не выгодные округа для быстрое питание
    • Юго-Восток - 140

district_median_beer = places.pivot_table(index='district', values='middle_beer', aggfunc='median').reset_index()
district_median_beer['district'] = district_median_beer['district'] + ' административный округ'

moscow_regions(
    district_median_beer,
    'district',
    'middle_beer',
    'Медианный цена пива в барах по районам',
    icon_list=['beer','Бармен кружку пиво пожалуйста!']
)

Make this Notebook Trusted to load map: File -> Trust Notebook

• самый дорогая кружка пива в Центре - 335р., Юго-Востоке, Северо-Востоке - 300р., Западе - 297,5р.
• самый доступная кружка пива на Север - 250р., Востоке - 260р., Юге - 265р.

district_ct_mb = (
    places.pivot_table(index='district', columns='category', values='middle_beer', aggfunc='median')
    .sort_values(by='бар,паб', ascending=False)
)
fig = plt.subplots(figsize =(10, 7))
sns.heatmap(district_ct_mb, annot=True,cmap='YlGn', fmt='');
plt.title('График хитмэп кружки пива по категория и округам ', size=18)
plt.xlabel('Категория заведения', size=12)
plt.ylabel('Округ', size=12);

Разделение категорий только на бары(250-335р.) и пиццерии(200-165р.), причем неожиданно пиво в пиццерии доступнее чем в барах(пабах).

• Самое дорогое пиво на Западе и Центре - 335р.
• Самое доступное на Севере(250р.) и Востоке(260р.)

Выводы:

Два самых выгодных категории заведения бар/паб и ресторан

• Самые выгодные округа для бара со средним чеком 1250₽

  • Центральный округ, но здесь высокая конкуренция
  • Западный округ при том же чеке конкуренция в 7 раз ниже

• Самые выгодные округа для ресторана

  • Западный округ с средним чеком 1300₽ конкуренция ниже 3 раз
  • Центральный округ, при высокая конкуренция средний чек 1250₽
  • Северо-Запад при том же чеке конкуренция в 6 раз ниже

• Количество посадочных мест находится в среднем от 50 до 86.

Детализируем исследование: открытие кофейни

По просьбе заказчика углубляемся отдельно в тему кофейн.

Посмотрим сколько всего кофеен в таблице?

coffee_house = places.query('category == "кофейня"').reset_index(drop=True)
print("Всего кофеен в датасете:",len(coffee_house))
print("Относительно всех заведений:",round(len(coffee_house)/places.shape[0],2))
coffee_house.head(5)

Всего кофеен в датасете: 1413
Относительно всех заведений: 0.17

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats	avg_bill_text	middle_beer	street	is_24/7
0	Dormouse Coffee Shop	кофейня	Москва, улица Маршала Федоренко, 12	Северный	ежедневно, 09:00–22:00	55.881608	37.488860	5.0	NaN	Цена чашки капучино:155–185 ₽	NaN	170.0	0	NaN	Цена чашки капучино	NaN	улица Маршала Федоренко	False
1	В парке вкуснее	кофейня	Москва, парк Левобережный	Северный	ежедневно, 10:00–21:00	55.878453	37.460028	4.3	NaN	NaN	NaN	NaN	1	NaN		NaN	парк Левобережный	False
2	9 Bar Coffee	кофейня	Москва, Коровинское шоссе, 41, стр. 1	Северный	пн-пт 08:00–18:00	55.885837	37.513422	4.0	NaN	NaN	NaN	NaN	1	46.0		NaN	Коровинское шоссе	False
3	CofeFest	кофейня	Москва, улица Маршала Федоренко, 6с1	Северный	пн-пт 09:00–19:00	55.879934	37.492522	3.6	NaN	NaN	NaN	NaN	1	NaN		NaN	улица Маршала Федоренко	False
4	Cofix	кофейня	Москва, улица Дыбенко, 7/1	Северный	ежедневно, 08:00–22:00	55.878531	37.479395	3.8	NaN	NaN	NaN	NaN	1	NaN		NaN	улица Дыбенко	False

В таблице всего 1413 кофейн 17% от всех данных.

Посмотрим как они деляться по округам:

coffee_house_distr = coffee_house.groupby('district').agg({'name':'count'}).sort_values('name', ascending=False).reset_index()

graf_pie(coffee_house_distr,'name','district','Круговая диаграмма кофеен по кол-ву заведений в Москве',enter=True)

Больше всего в Центре 30% (428) кофейн. Далее Север 13%(193) и Северо-Восток 11%(159)

Меньше всего Северо-Востоке 4,4%(62), Юго-Востоке 6,3%(89) и Юго-Западе 6,8%(96)

Собирем общие данные по округам:

coffee_house_distr_gr = (
    coffee_house.groupby(['district','chain'])
    .agg({'name':'count','rating':'median','middle_avg_bill':'median','middle_coffee_cup':'median','seats':'median'})
    .sort_values('name', ascending=False)
    .reset_index()
)
coffee_house_distr_gr['chais_text'] = 'Сетевые'
coffee_house_distr_gr.loc[coffee_house_distr_gr['chain']== 0 ,'chais_text'] = 'Не сетевые'

coffee_house_distr_gr

	district	chain	name	rating	middle_avg_bill	middle_coffee_cup	seats	chais_text
0	Центральный	1	221	4.30	750.0	180.0	100.0	Сетевые
1	Центральный	0	207	4.40	462.5	195.0	50.0	Не сетевые
2	Северный	1	97	4.20	400.0	140.0	60.5	Сетевые
3	Северный	0	96	4.40	264.5	165.0	70.0	Не сетевые
4	Западный	1	93	4.20	650.0	222.5	96.0	Сетевые
5	Северо-Восточный	0	80	4.35	300.0	162.5	52.0	Не сетевые
6	Северо-Восточный	1	79	4.20	525.0	162.0	85.0	Сетевые
7	Южный	1	66	4.20	350.0	109.5	75.0	Сетевые
8	Южный	0	65	4.40	750.0	170.0	80.0	Не сетевые
9	Юго-Восточный	0	60	4.35	250.0	150.0	54.0	Не сетевые
10	Западный	0	57	4.30	600.0	170.0	98.0	Не сетевые
11	Восточный	0	54	4.40	275.0	135.0	52.0	Не сетевые
12	Восточный	1	51	4.20	750.0	135.0	65.0	Сетевые
13	Юго-Западный	1	50	4.30	337.5	199.5	72.5	Сетевые
14	Юго-Западный	0	46	4.40	400.0	190.5	50.0	Не сетевые
15	Северо-Западный	1	34	4.20	750.0	172.0	125.0	Сетевые
16	Юго-Восточный	1	29	4.20	50.0	130.0	50.0	Сетевые
17	Северо-Западный	0	28	4.45	300.0	165.0	25.5	Не сетевые

Разделим на сетевые и не сетевые.

coffee_house_distr_gr['district'] = coffee_house_distr_gr['district'] + ' административный округ'
coffee_house_distr_gr_0 = coffee_house_distr_gr[coffee_house_distr_gr['chain']==0].reset_index(drop=True)
coffee_house_distr_gr_1 = coffee_house_distr_gr[coffee_house_distr_gr['chain']==1].reset_index(drop=True)

Выведем рейтинг не сетевых кофейн по округам:

moscow_regions(
    coffee_house_distr_gr_0,
    'district',
    'rating',
    'Рейтинг сетевых кофейн по районам',
    icon_list=['cup','Кофе со сливками, смешать но не взбалтывать!'])

Make this Notebook Trusted to load map: File -> Trust Notebook

• Самый высокий рейтинг 4.45 у Северо-Запада
• Далее Центр, Север, Восток, Юг, Юго-Запад по 4.4 балла

• Самый низкий у Запада 4.3 балла

Выведем рейтинг сетевых кофейн по округам:

moscow_regions(
    coffee_house_distr_gr_1,
    'district',
    'rating',
    'Рейтинг не сетевых кофейн по районам',
    icon_list=['cup','Кофе со сливками, смешать но не взбалтывать!'])

Make this Notebook Trusted to load map: File -> Trust Notebook

• самый высокий рейтинг 4.3 в Центре и Юго-Западе
• у остальных 4.2

Построим графики по кол-ву кофейн, среднему чеку, стоимости капучино и посадочным местам в округах

coffee_house_distr_gr['district'] = coffee_house_distr_gr['district'].map(
    lambda x: ' '.join(x.split()[:-2])
)

col_grf = ['name','middle_avg_bill','middle_coffee_cup','seats']
name_grf = [
    'График кол-во кофейн по округам',
    'График среднего чека кофейн по округам',
    'График стоимости капучино кофейн по округам',
    'График кол-во посадочных мест кофейн по округам'
]
y_name=[
    'кол-во круглосуточных кофейн',
    'средний чек',
    'стоимость капучино ',
    'кол-во посадочных мест'
]

for i in range(len(col_grf)):
    # назначаем стиль графика
    sns.set_style('whitegrid')
    # назначаем размер графика
    plt.figure(figsize=(12, 6))
    plt.box(False) #убрать рамку

    # строим график
    ax = sns.barplot(
        x='district', 
        y=col_grf[i], 
        hue='chais_text',
        data=coffee_house_distr_gr.drop('rating', axis=1)
    ) 

    # формируем заголовок графика и подписи осей средствами matplotlib
    plt.title(name_grf[i], size=18)
    plt.xlabel('округ', size=12)
    plt.ylabel(y_name[i], size=12)
    plt.legend(bbox_to_anchor=(0.9, 0.9))
    for i in range(len(coffee_house_distr_gr['chais_text'].value_counts())):
        ax.bar_label(ax.containers[i], padding=5, size=10)
    ax.tick_params(labelsize=11)

Кол-во сетевых и не сетевых кофейн по округам:

Разделение на сетевые и не сетевые по округам почти везде равное, кроме:

• Западного здесь сетевых(93) в 1,6 раза больше чем не сетевых(57)
• Юго-Восточного здесь не сетевых(60) в 2 раза больше чем не сетевых(29)

Больше всего и сетевых и не сетевых кофейн в Центре 221 и 207 кофейн

Средний чек сетевых и не сетевых кофейн по округам

• Самые высокие средние чеки по 750р в Центре(сетевые), Юге(не сетевые), Востоке(сетевые) и Северо-Западе(сетевые)

• Самые низкие средние чеки Юго-Востоке(сетевые - 50, не сетевые - 250)

Стоимость капучино в сетевых и не сетевых кофейн по округам:

• Самое дорогое капучино:
  • Западе(сетевые) - 222,5
  • Юго-Западе(сетевые - 199,5, не сетевые - 190,5)
  • Центре (сетевые - 180, не сетевые - 195)

• Самое доступное капучино:
  • Юге(сетевые) - 109,5
  • Юго-Востоке(сетевые - 130)
  • Востоке (сетевые - 135)

Кол-во посадочных мест в сетевых и не сетевых кофейн по округам:

Самые большые компании могут разместиться на:

• Северо-Западе(сетевые) 125 посадочных мест
• Центре (сетевые) 100 посадочных мест

им же стоит избегать:

• Северо-Запада(не сетевые) 25,5 посадочных мест

Посмотрим есть ли и если есть сколько круглосуточных кофейн

coffee_house_24 = coffee_house[coffee_house['hours'].fillna('Не известно').str.contains("круглосуточно", case=False)]
print('Всего круглосуточных кофейн:',len(coffee_house_24))
print("Относительно всех заведений:",round(len(coffee_house_24)/coffee_house.shape[0],2))
coffee_house_24.head(5)

Всего круглосуточных кофейн: 76
Относительно всех заведений: 0.05

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats	avg_bill_text	middle_beer	street	is_24/7
26	Wild Bean	кофейня	Москва, Дмитровское шоссе, 107Е	Северный	ежедневно, круглосуточно	55.878477	37.543426	3.5	NaN	NaN	NaN	NaN	1	20.0		NaN	Дмитровское шоссе	True
153	Wild Bean Cafe	кофейня	Москва, Ярославское шоссе, 116	Северо-Восточный	ежедневно, круглосуточно	55.867822	37.708853	4.0	NaN	NaN	NaN	NaN	1	25.0		NaN	Ярославское шоссе	True
170	Wild Bean Cafe	кофейня	Москва, Ярославское шоссе, вл3с3	Северо-Восточный	ежедневно, круглосуточно	55.851778	37.676423	4.5	NaN	Цена чашки капучино:140–200 ₽	NaN	170.0	1	NaN	Цена чашки капучино	NaN	Ярославское шоссе	True
192	Wild Bean Cafe	кофейня	Москва, МКАД, 65-й километр, 8	Северо-Западный	ежедневно, круглосуточно	55.813787	37.390701	4.3	NaN	NaN	NaN	NaN	1	NaN		NaN	МКАД	True
204	Шоколадница	кофейня	Москва, улица Народного Ополчения, 49, корп. 1	Северо-Западный	ежедневно, круглосуточно	55.794815	37.494834	4.2	средние	Средний счёт:650–850 ₽	750.0	NaN	1	200.0	Средний счёт	NaN	улица Народного Ополчения	True

76 круглосуточных кофейн на Москву в базе.

Посмотрим как они распологаются по округам:

coffee_house_distr_24 = (
    coffee_house_24.groupby('district')
    .agg({'name':'count'})
    .sort_values('name', ascending=False)
    .reset_index()
)

graf_pie(coffee_house_distr_24,'name','district','Круговая диаграмма круглосуточных кофейн по кол-ву заведений в Москве')

Половина всех круглосуточных кофейн в Центре(50%) - 38 шт.

Меньше всего Юге, Юго-Востоке по 1 шт. и Северо-Западе - 3 шт.

Собирем общие данные по круглосуточных кофейн в округах:

coffee_house_distr_24 = (
    coffee_house_24.groupby(['district','chain'])
    .agg({'name':'count','rating':'median','middle_avg_bill':'median','middle_coffee_cup':'median','seats':'median'})
    .sort_values('name', ascending=False)
    .reset_index()
)
coffee_house_distr_24['chais_text'] = 'Сетевые'
coffee_house_distr_24.loc[coffee_house_distr_24['chain']== 0 ,'chais_text'] = 'Не сетевые'

coffee_house_distr_24

	district	chain	name	rating	middle_avg_bill	middle_coffee_cup	seats	chais_text
0	Центральный	1	32	4.20	2000.0	256.0	144.0	Сетевые
1	Западный	1	10	4.20	1100.0	265.5	49.5	Сетевые
2	Северный	1	6	4.15	NaN	305.0	20.0	Сетевые
3	Центральный	0	6	4.40	1250.0	229.0	78.5	Не сетевые
4	Восточный	1	5	4.20	400.0	110.0	49.0	Сетевые
5	Юго-Западный	1	5	4.30	NaN	256.0	48.0	Сетевые
6	Северо-Восточный	1	4	4.05	NaN	213.0	25.0	Сетевые
7	Северо-Западный	1	3	4.20	750.0	NaN	165.0	Сетевые
8	Юго-Западный	0	2	4.20	NaN	230.0	20.0	Не сетевые
9	Западный	0	1	4.10	NaN	NaN	10.0	Не сетевые
10	Юго-Восточный	1	1	2.30	NaN	NaN	NaN	Сетевые
11	Южный	1	1	4.00	NaN	NaN	0.0	Сетевые

Разделим на сетевые и не сетевые.

coffee_house_distr_24['district'] = coffee_house_distr_24['district'] + ' административный округ'
coffee_house_distr_24_0 = coffee_house_distr_24[coffee_house_distr_24['chain']==0].reset_index(drop=True)
coffee_house_distr_24_1 = coffee_house_distr_24[coffee_house_distr_24['chain']==1].reset_index(drop=True)

Выведем рейтинг не сетевых круглосуточных кофейн по округам:

moscow_regions(
    coffee_house_distr_24_0,
    'district',
    'rating',
    'Рейтинг не сетевых круглосуточных кофейн по районам',
    icon_list=['cup','Кофе со сливками, смешать но не взбалтывать!'])

Make this Notebook Trusted to load map: File -> Trust Notebook

• с самый высоким рейтингом только в Центре 4,4
• на Юго-Западе - 4,2
• Западе 4,1

Выведем рейтинг сетевых круглосуточных кофейн по округам:

moscow_regions(
    coffee_house_distr_24_1,
    'district',
    'rating',
    'Рейтинг сетевых круглосуточных кофейн по районам',
    icon_list=['cup','Кофе со сливками, смешать но не взбалтывать!'])

Make this Notebook Trusted to load map: File -> Trust Notebook

• Самый высокий рейтинг 4.3 у Юго-Запада
• Далее Центр, Запада, Восток, Северо-Запад по 4.2 балла

• Самый низкий у Юго-Востока 2.3 балла - одна кофейня с плохим рейтингом, но круглосуточная.

coffee_house_distr_24['district'] = coffee_house_distr_24['district'].map(
    lambda x: ' '.join(x.split()[:-2])
)

col_grf = ['name','middle_avg_bill','middle_coffee_cup','seats']
name_grf = [
    'Кол-во круглосуточных кофейн по округам',
    'Средний чек круглосуточных кофейн по округам',
    'Стоимость капучино круглосуточных кофейн по округам',
    'Кол-во посадочных мест круглосуточных кофейн по округам'
]
y_name=[
    'кол-во круглосуточных кофейн',
    'средний чек',
    'стоимость капучино ',
    'кол-во посадочных мест'
]

for i in range(len(col_grf)):
    # назначаем стиль графика
    sns.set_style('whitegrid')
    # назначаем размер графика
    plt.figure(figsize=(12, 6))
    plt.box(False) #убрать рамку

    # строим график
    ax = sns.barplot(
        x='district', 
        y=col_grf[i], 
        hue='chais_text',
        data=coffee_house_distr_24
    ) 

    # формируем заголовок графика и подписи осей средствами matplotlib
    plt.title(name_grf[i], size=18)
    plt.xlabel('округ', size=12)
    plt.ylabel(y_name[i], size=12)
    plt.xticks(rotation=15)
    plt.legend(bbox_to_anchor=(0.9, 0.9))
    for i in range(len(coffee_house_distr_24['chais_text'].value_counts())):
        ax.bar_label(ax.containers[i], padding=5, size=10)
    ax.tick_params(labelsize=11)

Кол-во круглосуточных сетевых и не сетевых кофейн по округам:

Видим что не сетевых всего 9 шт.

• в Центре 6 шт
• на Юго-Западе - 2 шт
• Западе 1 шт

Сетевых больше всего в Центре 1/2 от всех круглосуточных кофейн

Средний чек круглосуточных сетевых и не сетевых кофейн по округам

• Самые высокие средние чеки в Центре(сетевые - 2000р, не сетевые - 1250), Западе (сетевые - 1100)

• Самые низкие средние чеки Востоке(сетевые - 400)

*Много пропущеных ячеек так что точность выводо условна.

Стоимость капучино в сетевых и не сетевых круглосуточных кофейн по округам:

• Самое дорогое капучино:
  • Севере(сетевые) - 305
  • Западе(сетевые - 265)
  • Центре (сетевые) и Юго-Западе(сетевые) - 256

• Самое доступное капучино на Востоке (сетевые - 110)

Кол-во посадочных мест в сетевых и не сетевых круглосуточных кофейн по округам:

Самые большые компании в любое время дня могут разместиться на:

• Северо-Западе(сетевые) 165 посадочных мест
• Центре (сетевые) 144 посадочных мест

им же стоит избегать:

• Запада(не сетевые) 10 посадочных мест
• Севера(сетевые) 20 посадочных мест
• Юго-Запада(не сетевые) 20 посадочных мест

Выводы:

• По количеству заведений кофейни на 3 месте 17% (1413) из них всего 5% круглосуточные(76).

• 30%(428) всех кофейн находятся в Центре, из них круглосуточных 32 кофейни.

• Самые пустующий округ Северо-Запад всего 4,4%(62), из них круглосуточных 3 кофейни.

• Самый высокий средний чек 750 в Центре(сетевые), Юге(не сетевые), Востоке(сетевые) и Северо-Западе(сетевые)
• В круглосуточных кофейнях средний чек заметно выше от 400-2000р.

• Цена капучино находится в диапозоне от 109,5-222,5, самое дорогое на Западе, а доступное на Юге.
• Диапозон в круглосуточных кофейнях доходит до 305р. - на Севере.

• Количество посадочных мест находится в среднем от 25 до 125.

Рекомендация:

• Если не боятся конкуренции и соответсвовать названю «Central Perk» то лучше открывать круглосуточную кофейню в Центральном округе, так как средний чек выше особено у круглосуточных кофейн.

• Если начинать не с Центра лучше выбрать Северо-Запад, так как тут самая низкая конкуренция при относительно высоких средних чеках как у круглосуточных так и не у круглосуточных кофейн.

• И запасной вариант (так как для Северо-Запада данные для сетевых кофейн) если заказчик не будет сразу отрывать сеть, можно выбрать Юг, он сильно выделяется высоким средним чеком у не сетевых кофейн, к сожалению данных по круглосуточных у нас нет, но глядя по другим районам вполне возможно они будут только выше.

Презентация:

Презентация: https://disk.yandex.ru/i/saMgE7oGzAjGMw